新思维教育_大数据与统计新思维

发布时间：2016-10-13 16:29

  本文关键词：大数据与统计新思维，由笔耕文化传播整理发布。

第31卷第1期2014年1月统计研究

StatisticalＲesearchVol．31，No.1Jan．2014

大数据与统计新思维

李金昌

*

，《大数据时代》内容提要：最近等几本书引起了广泛的关注，大数据正在改变着人们的行为与思维，那么以数据为研究对象的统计学该如何应对，本文基于对大数据的理解，认为统计思维需要发生三个方面的改变，即要改变认识数据的思维、收集数据的思维和分析数据的思维。其中，数据分析思维又要在统计分析过程、实证分析思路、推断分析逻辑等方面发生变化，同时统计分析评价的标准也要有所调整。围绕这些变化，本文提出需要从八个方面去积极应对大数据，以促使统计学科跟上时代的步伐。

关键词：大数据；统计思维；统计学中图分类号：C829.2

文献标识码：A

文章编号：1002－4565（2014）01－0010－06

BigDataandNewMindonStatistics

LiJinchang

Abstract：Thelatestpublicationofabooksuchas“BigData：AＲevolutionThatWillTransformHowWeLive，Work，andThink”hascapturedthepublicattention．Withthebigdatachangingthewaypeoplethinkandbehave，howshouldthedevelopmentofstatistics，adisciplinethataimsatdata，takeitscourse？Basedonitsunderstandingofthebigdata，thispaperputsforwardthreedimensionsinwhichthemindonstatisticsneedtobechanged：theinterpretationofdata，theideaofdatacollectionandtheviewofdataanalysis，wheretheprocessofstatisticalanalysis，themodeofempiricalanalysisandthelogicofinferentialanalysis，andalsotheevaluationstandardsofstatisticalanalysisshouldbeadjusted．Accordingtothosechanges，thispapersuggeststhatthebigdatabeactivelydealtwithfromeightperspectives，inordertokeepthescienceofstatisticstoabreastofthetimes．

Keywords：BigData；MindonStatistics；Statistics

［1］

最近，译著《大数据时代》（英国ViktorMayer-Schǒnberger，KennethCukier著）和《驾驭大数［2］

据》（美国BillFranks著），以及我国学者涂子［3］［4］

《大数据》沛、郭晓科的等几本书引起了广泛的

一、对大数据的初步认识

到底什么是大数据，不同的学科领域、不同行业

的从业人员肯定会有不同的理解。与传统意义上的数据相比，大数据的“大”与“数据”都有了新的含义，绝不仅仅是体量的问题，更重要的是数据的内涵，“大”问题。或许与“数据”根本就不能分开，只有“大数据”把当作一个整体概念来理解才有意义。那么从统计学的角度，我们该如何来理解大数据？笔者认为大数据不是基于人工设计、借助传统方法而获得的有限、固定、不连续、不可扩充的结构型数据，而是基于现代信息技术与工具可以自动记录、储存和连续扩充的、大大超出传统统计记录与储存能

*本文为浙江省高校人文社科重点研究基地（统计学）成果之一。本文为第十七次全国统计科学讨论会特邀论文。

关注，其他各种媒体关于大数据的讨论也层出不穷，

大数据已成为流行语。有人认为，大数据是一场新的革命，将横扫一切领域，重构世界。不少国家已将大数据作为国家发展战略，而商业领域更是将其视为下一个投资的宝库。毫无疑问，大数据时代已经来临，它正在悄悄地改变着人们的行为与思维，难以阻挡，无法抗拒。在计算机科学、电子商务等领域已率先在大数据技术开发与应用方面做出不俗成就的时候，以数据为研究对象的统计学该如何应对？无动于衷还是盲目追从？正确的态度应该是理性对待、积极跟进、改变思维、谋求发展。

［4］

力的一切类型的数据。有人用4V（Volume，Variety、Velocity和Value）来形容大数据的特征①，

可见，统计学的研究对象没有变，变的是数据的

来源、体量、类型、速度与量化的方式。这种变化对？《大数据时代》提统计研究带来了什么样的挑战

出了三个最显著的变化：一是样本等于总体，二是不三是相关分析比因果分析更重再追求精确性，［1］

迫使我们对现要。这些观点具有很强的震撼力，

有的统计研究思维进行反思。尽管这些观点值得进

一步商榷，但至少告诉我们这样一个道理：统计研究对象的基础变了，统计思维也要跟着变化，否则统计

而且越来越少，那研究的对象只是全部数据的5%，

又怎么能说统计学是一门关于数据的科学呢？又怎么去完善和发展开展数据分析研究的统计方法

论呢？

最根本之处就是数字化基础上的数据化。通俗地说，大数据就是一切可记录信号的集合。如果说，传统统计研究的数据是有意收集的结构化的样本数据，那么现在我们面对的数据则是一切可以记录和存储、源源不断扩充、超大容量的各种类型的数据。样本数据与大数据的这种区别，具有什么样的统计学意义？我们知道，样本数据是按照特定研究目的、依据抽样方案获得的格式化的数据，不仅数据量有限，而且如果过程偏离方案，数据就不

其空间能满足要求。基于样本数据所进行的分析，——通常无法满足多层次、多角度的需要，十分有限—

若遇到抽样方案事先未曾考虑到的问题，数据的不可扩充性缺点就暴露无疑。而大数据是一切可以通过现代信息技术记录和量化的数据，不仅所蕴含的——任何种而且不受各种框框的限制—信息量巨大，

类的数据都来者不拒、也无法抵拒。不难发现，大数具有巨大的数据据相比于样本数据的最大优点是，选择空间，可以进行多维、多角度的数据分析。更为重要的是，由于大数据的大体量与多样性，样本不足

大数据可以体现；样本不足以捕以呈现的某些规律，

捉的某些弱小信息，大数据可以覆盖；样本中被认为

异常的值，大数据得以认可。这将极大地提高我们认识现象的能力，避免丢失很多重要的信息，避免失去很多决策选择的机会。

这里，我们自然就想到了大量观察与大数据这

的区别。对于传统的统计研究两个概念中的“大”

方法而言，大量观察法是基础，是收集数据的基本理

论依据，其主要思想是要对足够量的个体进行调查观察，以确保有足够的微观基础来消除或削弱个体差异对整体特征的影响，足以归纳出关于总体的数“大”量规律。所以，这里的是足够的意思。大量观察法的极端情况就是普查，但限于各种因素不能经常进行，所以一般情况下只能进行抽样调查，这就需要精确计算最小的样本量。基于大量观察法获得的才能用以推样本数据才符合大数法则或大数定律，

断总体。而大数据则指不限量的数据，是基于现代信息技术的一切可以记录的全体数据，其特征之一就是尽量多地包含数据，它与样本容量无关，只与信息来源的数量与储存容量有关。因此，这里的“大”是全体的意思。

二、统计思维的变化

改变统计思维，是大数据时代的必然要求。否则，统计学科就有可能被大数据的潮流所吞没，至少会被边缘化，失去一次重要的参与推动历史变革的

统计思维的变化应该以一个永恒不变机遇。当然，

的主题为前提，那就是通过数据分析去揭示事物的

真相，这个真相就是事物的生存规律、联系规律和发展规律。也就是说，数据分析要以数据背后的数据去还原事物的本来面目，以达到求真的目的。如果说，我们原来限于各种条件只能根据有限的样本数

那么现在我们则可以在很多方据去实现这个目的，

面借助大数据去实现这个目的，关键就看我们开展

或者说利用大数据、从一切数据分析的能力有多大，

——因为大数数据中提取有价值信息的能力有多大—

据无疑增加了统计分析的难度，而这又首先取决于我们统计思维能否适应大数据时代的变化。正如迈尔－舍恩伯格所说：大数据发展的核心动力就是人

［1］

记录和分析世界的渴望。类测量、那么，统计思维应该发生怎样的变化？笔者认为主要要有如下三大变化：

（一）认识数据的思维要变化

前面已经提到，与传统数据相比，大数据不仅体量大、变化快，而且其来源、类型和量化方式都发生了根本性的变化，使得数据杂乱、多样、不规整。

首先，从来源上看，传统的数据收集因为具有很

Velocity，Variety和Veracity；或者①也有指4V是Volume，Volume，Velocity，Variety和Vitality。

强的针对性，因此数据的提供者大多是确定的，身份特征是可识别的，有的还可以进行事后核对。但大数据通常来源于物联网，不是为了特定的数据收集目的而产生，而是人们一切可记录的信号（当然，任但它们是发散的），并且何信号的产生都有其目的，

身份识别十分困难。从某种意义上讲，大数据来源的微观基础是很难追溯的。

其次，从类型上看，传统数据基本上是结构型数据，即定量数据加上少量专门设计的定性数据，格式化，有标准，可以用常规的统计指标或统计图表加以表现。但大数据更多的是非结构型数据、半结构型

包括了一切可记录、可存储的信数据或异构数据，

多样化、无标准、难以用传统的统计指标或统计号，

图表加以表现。同时，不同的网络信息系统有不同的数据识别方式，相互之间也没用统一的数据分类标准。再者，现在有的数据库是非关系型的数据库，不需要预先设定记录结构即可自动包容大量各种各样的数据。

第三，从量化方式上看，传统数据的量化处理已经有一整套较为完整的方式与过程，量化的结果可直接用于各种运算与分析。但大数据中大量的非结

如何从中提取信息、构化数据如何量化（结构化）、

如何与结构化数据对接是一个崭新的问题。正如

Franks所说：“几乎没有哪种分析过程能够直接对非结构化数据进行分析，也无法直接从非结构化的

［2］

”更为重要的是，“量化”数据中得出结论。的含义恐怕也不一样了，即此“量化”不一定等同于彼“量

，量化结果的表现形式自然也不相同。显然，我化”

们不能套用已有的方式去量化非结构化数据。可以说，大数据是杂乱、不规整、良莠不齐的，但我们不能因此而回避它、拒绝它，只能接纳它、包容它。我们需要将统计研究的对象范围从结构型数据扩展到一切数据，需要重新思考数据的定义和分类方法，并以此为基础发展和创新统计分析方法。从某种意义上讲，没有无用的数据，只有未被欣赏的数据，关键是我们从哪个角度看数据。

（二）收集数据的思维要变化

，“没有黏土，收集数据是开展统计分析的前提如何做砖？”以往，收集统计数据的思维是先确定统计分析研究的目的，然后需要什么数据就收集什么数据，所以要精心设计调查方案，严格执行每个流程，但往往是投入大而数据量有限。现在，我们拥有

——了大数据，就等于拥有了超大量可选择的数据—

“黏土”备选的体量与种类都极大地增加了，所要做的最重要的工作就是比较与选择，因此我们的思维应该是如何充分利用大数据，凡是大数据源中能找到的数据就不再需要进行专门的调查。

但是，由于大数据来源与种类的多样性，以及数据增加的快速性，我们在享受数据的丰富性的同时也不得不面临这样一些困境：存储能力够不够，分析能力够不够（是否及时、充分），如何甄别数据的真伪，如何选择关联物，如何提炼和利用数据，，如何确PB级定分析节点？现在TB级的数据库已经很多，

YB以后还会出现EB、甚至ZB、的数据库也不少见，

级的数据库。今天的大数据，明天就不再是大数据。

这样一来，电子存储能力能否跟得上数据增加的速度就成为首要的问题。如果让数据库自动更新就有可能失去一些宝贵的数据信息，而到了一定级别以其代价是十分后扩充存储容量或对数据进行拷贝，巨大的，因此我们不得不对数据进行分类、筛选，有不重要或次重要的数据。针对地删除那些垃圾数据、

如果说以前有针对地获得数据叫做收集，那么今后有选择地删除数据就意味着收集。也就是说，大数据时代的数据收集将更多的是从已有的超大量数据

再选择。因此，我们要做好丢弃一部中进行再过滤、

分数据的准备。

当然，并不是任何数据都可以从现成的大数据中获得，这里存在一个针对性、安全性和成本比较问题。因此，我们既要继续采用传统的方式方法去收又要善于利用现代网络信息技集特定需要的数据，

术和各种数据源去收集一切相关的数据，并善于从大数据中进行再过滤、再选择。问题在于什么是无用的或不重要的数据？该如何过滤与选择数据？这就需要对已经存在的数据进行重要性分析、真伪识别和关联物定位。

此外，大的数据库可能需要将信息分散在不同的硬盘或电脑上，这样一来，在不能同步更新数据信息的情况下如何选择、调用和匹配数据又是一个问

从大数据中收集数据就题。因此从某种意义上讲，

是识别、整理、提炼、汲取（删除）、分配和存储元数

据的过程。

（三）分析数据的思维要变化

基于上述两个变化，数据分析的思维必然要跟着变化，那就是要主动利用现代信息技术与各种软

件工具从大数据中挖掘出有价值的信息，并在这个过程中丰富和发展统计分析方法。

关于数据分析思维的变化，特别需要强调三点：第一，传统的统计分析过程是“定性—定量—，再定性”第一个定性是为了找准定量分析的方向，主要靠经验判断，这在数据短缺、分析运算手段有限的情况下很重要。现在我们是在大数据中找矿，直接依赖数据分析做出判断，因此基础性的工作就是“定量的回应”，找到这在存储能力大为增强、分析技术与分析速度大为提高的今天，探测“定量的回应”变得越来越简单，所要做的就是直接从各种“定

中找出那些真正的、重要的数量特征和量的回应”

得出可以作为判断或决策依据的结论，因数量关系，

，此统计分析的过程可以简化为“定量—定性”从而大大提高得到新的定性结论的可能性。

第二，传统的统计实证分析，一般都要先根据研然后通过数据的收集与分析究目的提出某种假设，去验证该假设是否成立，其分析思路是“假设—验，但这种验证往往由于受到假设的局限、指标选证”

择的失当、所需数据的缺失而得不出真正的结论。特别是，一旦假设本身不科学、不符合实际，那么分

甚至扭曲事实真相。事实证明，析结论就毫无用处、

很多这样的实证分析纯粹是为了凑合假设。现在，

我们有了大数据，可以不受任何假设的限制而从中去寻找关系、发现规律，然后再加以总结、形成结论。

。这将极大也就是说，分析的思路是“发现—总结”地丰富统计分析的资源与空间，有助于发现更多意

“发现”。外的

第三，传统的统计推断分析，通常是基于分布理论，以一定的概率为保证，根据样本特征去推断总体特征，其逻辑关系是“分布理论—概率保证—总体

，推断”推断的评判标准与具体样本无关，但推断是否正确却取决于样本的好坏。现在，大数据强调的是全体数据，总体特征不再需要根据分布理论进行推断，只需进行计数或计量处理即可。不仅如此，还可以根据全面数据和实际分布来判断其中出现某类

其逻辑关系变成了“实际分情况的可能性有多大，

，布—总体特征—概率判断”也即概率不再是事先

预设，而是基于实际分布得出的判断。按照迈尔－舍恩伯格的观点，这个概率判断就可用于预测了。

伴随着上述三大变化，统计分析评价的标准又该如何变化？传统统计分析的评价标准无非两个方

面，一是可靠性评价，二是有效性评价，而这两种评

价都因抽样而生。所谓可靠性评价是指用样本去推——断总体有多大的把握程度，是以概率来度量的—

有时表现为置信水平，有时表现为显著性水平。特显著性水平别是在假设检验和模型拟合度评价中，怎么定是一个难题，一直存在争议，因为所参照的分布类型不同其统计量就不同，显著性评价的临界值就不同，而临界值又与显著性水平的高低直接相关。然而在大数据的背景下，大数据在一定程度上就是全体数据，我们可以对全体数据进行计数或计量分析，这就不存在以样本推断总体的问题了，那么这时还有没有可靠性的问题？还要不要确定置信水平？怎么确定？依据是什么？如何比较来自不同容量数据库的分析结论的可靠性？

所谓有效性评价指的是真实性，即误差大小。这里又有两个相关的概念：准确性与精确性。准确通常性一般是指一个观察值与真实值的吻合程度，

情况下是无法做出测度的；而精确性一般指样本统以抽样分布的标准差来衡量。计量分布的离散程度，

很显然，精确性是针对样本数据而言的。也就是说样本数据既有精确性问题又有准确性问题，样本数据中的误差既包括抽样误差也可能包括非抽样误差。抽样误差可以基于抽样分布理论进行计算和控制，而非抽样误差只能通过各种方式加以识别或判断，但多数情况下由于样本量不是太大而可以得到较好的防范。但对于大数据，由于它是全体数据，因而不再有抽样误差问题，只有非抽样误差问题，也就是说大数据的真实性只表现为准确性而非精确性。然而由于大数据是超大量数据，再加上混杂性与多样性，因此其非抽样误差很难防范与控制，这就使得

——如何测度？标准准确性评价问题变得更为困难—怎样？

三、积极应对大数据

面对大数据，我们唯有积极应对，别无选择。如

何应对，需要考虑以下几个方面：

（一）需要改变总体、个体乃至样本的定义方式传统的统计分析，是先有总体，再有数据，即必须先确定总体范围和个体单位，再收集个体数据，分析总体。但对大数据来说，情况完全不同了，是先有数据，再有总体。从某种意义上说，大数据的产生系统多数是非总体式的，即无事先定义的目标总体，只

有与各个时点相对应的事后总体，原因就在于个体是不确定的，是变化着的，是无法事先编制名录库的，这与传统的总体与个体有很大的不同。更为复杂的是，事后个体的识别也很困难，因为同一个个体而不同网络系可能有多个不同的网络符号或称谓，

统的相同符号（称谓）也未必就是同一个个体，而且还经常存在个体异位的情况（即某一个体利用另一个体的符号完成某种行为），因此我们对于大数据往往是只见“数据”的外形而不见“个体”的真容。但对大数据的分析，仍然有一个总体口径问题，依然需要识别个体身份。这就需要我们改变总体与个体

——尽管它们的内涵没有变。与此对的定义方式—

如果要从大数据库中提取样本数据，那么样本的应，

定义方式也需要改变。当然，考虑到大数据的流动变化性，任何时点的总体都可以被理解为一个截面样本。

（二）需要改变对不确定性的认识

众所周知，统计学是为了认识和研究事物的不

因为无论是自然现象还是社会经确定性而产生的，

济现象，都时时处处充满着因个体的差异性而引起

的不确定性，因为在大多数情况下我们缺乏足够的信息或缺乏足够的知识去利用有效信息

，而人们总是期望通过量化事物的不确定性去发现规律、揭示真相，认识不确定性背后的必然性。要研究不确定性就需要收集数据，在只能进行抽样观测的情况下，这种不确定性就表现为如何获得样本、如何推断总体（包括估计与检验）和如何构建模型等方面。对于大数据，仍然存在着个体的差异性，区别只在于它包括了一定条件下的所有个体，而不是随机获得的一个样本。这样，大数据的不确定性就不再是样本的获取与总体的推断，而是数据的来源、个体的识别、信息的量化、数据的分类、关联物的选择、节点的确定，以及结论的可能性判断等方面。可以说，大数据的不确定性只来自于其来源的多样性与混杂性，以及由于个体的可变性所引起的总体多变性，而不——因为我们已经掌握了是同类个体之间的差异性—一定条件下的完全信息。

（三）需要建立新的数据梳理与分类方法大数据的多样性与混杂性，以及先有数据、后有总体的特点，原有的数据梳理与分类方法将受到诸多的限制。传统的数据梳理与分类是按照预先设定的方案进行的，标志与指标的关系、分类标识与分组

［5］

规则等都是结构化的，既是对有针对性地收集的数

据的加工，也是统计分析的组成部分。但对于大数据，由于新的网络语言、新的信息内容、新的数据表现形式不断出现，使得会产生哪些种类的信息、有哪不同标识之间是什么关系、些可以利用的分类标识、

类与类之间的识别度有多大、信息与个体之间的对应关系如何等，都无法事先加以严格设定或控制，往往需要事后进行补充或完善。面对超大量的数据，我们从何下手？只能从数据本身入手，从观察数据分布特征入手。这就需要采用不同的数据梳理与分类方法。否则，要想寻找到能有效开展数据分析的

创新与路径是不可能的。因此根据大数据的特点，是有效开展大数据分发展数据的梳理与分类方法，

析的重要前提。这里需要强调的是，能否建立起能自动进行初步的数据梳理与分类的简单模型？因为从技术上讲，我们已经具备了一定的对大数据进行多次迭代建模的算法。

（四）需要强化结构化数据与非结构化数据的对接研究

有效实现结构化数据与非结构化数据的对接，是数据概念拓展的必然结果。尽管大数据是超大量但大数据不能涵盖所有的数据，因此传统意义数据，

上的结构化数据与大数据中的非结构化数据必将长期并存。大数据时代的来临，使得数据收集、存储与分析的能力大为增强，而且步伐越来越快，但出于针对性与安全性考虑，总有一些结构化数据要通过专门的方式去收集而不能依赖于公共网络系统（例如

专题研究数据）。这样，如何既能有政府统计数据，

针对性地收集所需的结构化数据，又能从大量非结

构化数据中挖掘出有价值的信息，使两者相辅相成、有机结合，就成了一个新的课题，值得探讨的问题包括非结构化数据如何结构化或结构化数据能否采用

实现结非结构化的表现形式等。通过特定的方法，构化数据与非结构化数据的转化与对接是完全可能

的。但要实现这种对接，必须要增强对各种类型数据进行测度与描述的能力，否则大数据分析就没有全面牢固的基础。如果说传统的基于样本数据的统计分析侧重于推断，那么基于大数据的统计分析需要更加关注描述。

（五）需要转变抽样调查的功能

对于传统的数据收集而言，抽样调查是最重要的方式。尽管样本只是总体中的很小一部分，但由

博泰典藏网btdcw.com包含总结汇报、经管营销、出国留学、计划方案、IT计算机、农林牧渔、高中教育、表格模板以及大数据与统计新思维_李金昌等内容。

本文共2页12

  本文关键词：大数据与统计新思维，由笔耕文化传播整理发布。

本文编号：139476